Özel Model Eğitimi: Az Veriyle Sahaya Uyarlanmış Yapay Zekâ

Özel model eğitimi nasıl yapılır? Transfer öğrenme, sentetik veri ve sahadan etiketli örneklerle az veriyle yapay zekâ modeli geliştirmenin adımlarını öğrenin.

Yazar: CX Teknoloji Uzman Ekibi

Sahaya özel bir nesne tespit modeli, büyük genel veri kümeleriyle önceden eğitilmiş bir modelin transfer öğrenmeyle sahadan toplanan görece az sayıda etiketli örneğe uyarlanmasıyla eğitilir; nadir olaylar sentetik veriyle desteklenir. Fizibiliteden canlıya tipik bir özel proje 12–14 hafta sürer ve sürenin en büyük kalemi model değil, veridir.

“Bizim parçamızı hazır bir model tanımaz” itirazı çoğu zaman doğrudur ve projeyi durduran bir sorun değildir. Kişi, araç, baret gibi yaygın sınıflar hazır modellerle karşılanır; ama yalnız o hatta görülen bir kusur, tesise özgü bir ekipman göstergesi ya da bir istasyona özel yolcu akışı genel veri kümelerinde yer almaz. Sıfırdan başlanmaz: önceden eğitilmiş model, sahanın kendi etiketli görüntüleriyle yeni sınıfa uyarlanır.

Hazır model ne zaman yetmez?

Özel model, sorulan soru görsel olarak ayırt edilebilir olduğu hâlde hazır sınıflarla cevaplanamadığında gerekir: hatta özgü yüzey kusurları, boyut ve renge göre ürün sınıflama, istasyona özel yolcu davranışı, enerji tesislerinde görsel gösterge ya da arıza belirtisi okuma. Hazır sınıfların birleşimiyle çözülebilen ihtiyaçlarda yeni model gereksiz bir maliyettir; “pres önündeki sarı bölgeye makine çalışırken girildi mi?” sorusu kişi tespiti, çizilmiş bir poligon ve PLC sinyaliyle kurulan bir kural ister.

İki durum daha vardır. Kusur tipleri önceden sayılamıyorsa, yalnız hatasız örneklerle eğitilen denetimsiz anomali tespiti daha uygun bir başlangıçtır. Hedef görüntüde yeterli piksel kaplamıyorsa ya da ışık kareden kareye değişiyorsa sorun modelde değil optiktedir; önce kamera, lens ve aydınlatma düzeltilir. Fizibilitenin asıl işi bu ayrımı proje başlamadan yapmaktır.

Transfer öğrenme neden az veriyle çalışır?

Önceden eğitilmiş bir modelin ilk katmanları kenar, doku, köşe ve biçim gibi genel özellikleri öğrenmiştir; bu katmanlar bir cıvatada da bir palette de işe yarar. Uyarlama sırasında esas olarak son katmanlar, yani sınıf ve konum kararını veren başlık, yeni sınıfı ayırt edecek şekilde eğitilir; veri çoğaldıkça üst katmanlar da düşük öğrenme hızıyla ince ayara (fine-tuning) açılır. Bu sayede çoğu sınıf için birkaç yüz etiketli saha örneği başlangıç için yeterli olabilir; kesin ihtiyacı fizibilite belirler. Mimarinin arka planını YOLO ile nesne tespiti yazısında anlattık.

Burada sayıdan çok seçim önemlidir: farklı vardiyalardan, farklı ışık koşullarından, parçanın farklı açılarından ve özellikle karışıklığa yol açan benzer nesnelerden örnekler. Sınıf tanımının net olması da en az veri kadar önemlidir; “hasarlı koli” derken ezik köşe mi, yırtık bant mı, ıslanmış yüzey mi kastedildiği baştan yazılmazsa etiketler tutarsız olur ve model de tutarsız öğrenir. Etiketsiz kayıt bolsa model önce tesisin kendi görüntüleriyle etiketsiz ön eğitimden geçirilebilir; bkz. kendinden öğrenen sistemler.

Özel model projesi hangi aşamalardan geçer?

Projeyi 5 aşamada yürütüyoruz. Fizibilite sahadan 1–2 haftalık örnek görüntüyle yapılır ve üç soruya cevap verir: hedef mevcut görüntüyle ölçülebilir mi, hangi doğruluk gerçekçidir, etiketleme yükü ne kadardır. Gerekirse özel kamera ya da aydınlatma tasarımı kapsama girer; kusur tespiti gibi işlerde görüntü kalitesi modelden önce çözülmesi gereken konudur.

Etiketleme nasıl yapılır?

Etiketlemeyi kendi ekibimiz yapar; sınıf tanımları ve örnek etiketler müşterinin onayından geçer. İlk adım kısa bir etiketleme kılavuzudur: her sınıf için doğru ve yanlış örnekler, yarısı görünen parça ya da bulanık kare gibi sınırda kalan durumlarda ne yapılacağı. Nadir durumlar özellikle aranır, çünkü sahadan gelen görüntünün büyük kısmı olağan durumu gösterir. Hedefe benzeyen ama hedef olmayan negatif örnekler de değerlidir; kusura benzeyen yağ lekesi modelin sınırını çizer.

Etiketleme kalitesini ölçmek için örneklerin bir kısmı iki kez, farklı kişilerce etiketlenir; uyumsuzluk sınıf tanımının belirsiz kaldığı yeri gösterir. Bu noktada kılavuz güncellenir ve süreç uzmanıyla sınır durumlara karar verilir. Kalite ekibinin “kabul” dediği bir çiziği modelin “kusur” diye öğrenmesi sahada gereksiz red demektir. Test verisi de bu aşamada ayrılır; eğitimde kullanılmayan günlerden ve mümkünse farklı kameralardan seçilir.

Sentetik veriyle hızlanma

Nadir olaylar (düşme, yangın başlangıcı, kaza anı) doğal olarak az örneklidir ve yaşanmasını beklemek ne pratik ne de kabul edilebilirdir. Bu sınıflar için 3B sahne simülasyonu ve üretken modellerle sentetik eğitim verisi üretiriz: farklı ışık, açı ve arka planda çok sayıda varyasyon. Pratikte iki biçim vardır: sahnenin tamamen üretildiği simülasyon olmayan olayı üretir; gerçek görüntü üzerine ışık, bulanıklık, gürültü ve kısmi örtünme eklenen çoğaltma ise var olan örneği zenginleştirir. Her iki yöntemde etiket üretim anında bilinir.

Sentetik verinin sınırı da vardır: gerçek kameranın gürültüsünü, lens bozulmasını, tozu ve yansımayı tam taşımaz. Alan farkı (domain gap) denen bu kayma yüzünden sentetik veri gerçek verinin yerine değil yanına konur ve modelin başarısı yalnız gerçek saha görüntülerinden oluşan bir test kümesinde ölçülür. Sentetik örneklerin oranı sahada gözlenen hata tiplerine göre ayarlanır; test skoru yükselmiyorsa sentetik veri miktarını artırmak çözüm değildir. Simülasyonda ışık, doku ve kamera gürültüsünün bilinçli olarak rastgeleleştirilmesi, modelin sahnenin ayrıntılarına değil nesnenin kendisine odaklanmasına yardım eder; kopyala-yapıştır yöntemlerinde ise yapay kenar izlerine dikkat edilir.

Doğruluk nasıl ölçülür ve taahhüt edilir?

Özel projelerde doğruluğun nasıl ölçüleceği baştan tanımlanır: hangi durumun “doğru tespit” sayılacağı, kaç yanlış alarmın kabul edilebilir olduğu ve testin hangi veri kümesinde yapılacağı sözleşmeye yazılır. Pilot boyunca gerçek olaylar elle etiketlenir ve tespitlerle karşılaştırılır. Çözüm sayfamızdaki örnek pilot eğrisinde doğruluk %71 → %94 seviyesine çıkıyor; eğriyi yükselten, her hafta sahadan gelen yanlış tespitlerin eğitim verisine katılmasıdır. Kendi sahanızda hangi değere ulaşılacağı fizibilitede öngörülür, pilotta ölçülür.

Doğruluk tek bir sayıyla da anlatılmaz. Kesinlik alarmların ne kadarının gerçek olduğunu, duyarlılık gerçek olayların ne kadarının yakalandığını gösterir; kusurlu parçanın hattan geçmesi ile sağlam parçanın gereksiz ayrılması aynı maliyeti taşımaz. Hangisinin kritik olduğu müşteriyle belirlenir ve eşik buna göre ayarlanır; ayrıntısı güven skoru, kesinlik ve duyarlılık yazısında. Ölçüm sınıf ve kamera bazında raporlanır. Yüzeye özgü kusurlarda benzer süreci yüzey kusur tespiti yazısında anlattık.

Yaşayan model

Devreye alınan model donmuş değildir: sahada işaretlenen yanlış tespitler eğitim havuzuna döner, model periyodik olarak yeniden eğitilir ve A/B doğrulamayla güncellenir. Yeni model eskisiyle aynı test kümesinde karşılaştırılır, ancak daha iyi sonuç verirse devreye alınır ve her güncellemenin ardından doğruluk raporu paylaşılır. Sahaya yeni bir ürün, yeni bir raf düzeni ya da farklı bir kamera eklendiğinde modelin uyum sağlaması da aynı mekanizmayla olur; operatörün “yanlış” diye işaretlediği her kare etiketlenip havuza girer. Bu döngü, veri kaymasına karşı doğruluğu korumanın ve modelin kendi yanılgılarından öğrenmesinin yoludur. Model, panel, API ve kullanıcı eğitimi teslim edilir; eğitim ve çıkarım tesis içindeki edge sunucuda çalışabilir, yüz tanıma kullanılmaz. Projenin kapsamı için projeye özel video analitik sayfasına bakabilirsiniz.

Sık yapılan hatalar

• Test setini eğitim setiyle aynı videodan ayırmak: komşu kareler çok benzer, skor olduğundan yüksek çıkar.
• Veriyi tek vardiyadan ya da tek mevsimden toplamak: gündüz görüntüsüyle eğitilen model gece kızılötesi görüntüde zorlanır.
• Negatif örnekleri ihmal etmek: model hedefe benzeyen her şeyi hedef sanar.
• Sınıf tanımını fazla geniş tutmak: “kusurlu parça” yerine görsel olarak farklı kusur tipleri daha tutarlı öğrenilir.
• Kamerayı sonradan düşünmek: yüzey ve kusur denetimi gibi işlerde endüstriyel kamera, optik ve aydınlatma kararı eğitimden önce verilir.

Özel model projesine nereden başlanmalı?

İlk adım model değil, karardır: hangi nesnenin, kusurun ya da davranışın, hangi kamerada ve hangi koşulda tespit edildiğinde kime ne bildirileceği yazılı olarak tanımlanır. Ardından sahadan örnek görüntü toplanır, sınır vakalar süreç sahibiyle birlikte netleştirilir ve kabul edilebilir kesinlik ile duyarlılık belirlenir. Bu girdilerle yapılan fizibilite, hedefin ölçülebilir olup olmadığını ve veri yükünü eğitim başlamadan gösterir; böylece 12–14 haftalık plan, gerçekçi bir doğruluk hedefine dayanır.

Sık sorulan sorular

Özel bir yapay zekâ modelini eğitmek için kaç görüntü gerekir?

Transfer öğrenmeyle çoğu sınıf için birkaç yüz etiketli saha örneği başlangıç için yeterli olabilir; ancak sayıdan çok çeşitlilik önemlidir. Farklı vardiya, ışık ve açıdan gelen, özellikle benzer nesnelerle karışan örnekler gerekir. Kesin ihtiyaç, sahadan 1–2 haftalık örnek görüntüyle yapılan fizibilitede belirlenir; nadir olaylar için sentetik veriyle destek planlanır.

Özel model projesi ne kadar sürer?

Tipik bir özel proje 12–14 hafta içinde canlıya alınır ve 5 aşamadan geçer: fizibilite ve kapsam, veri toplama ve etiketleme, model eğitimi, saha testi ve kalibrasyon, devreye alma. Planın en büyük kalemi veri toplama ve etiketlemedir. Fizibilitede hedefin mevcut görüntüyle ölçülebilir olmadığı anlaşılırsa kamera veya aydınlatma değişikliği önerilir ve süre buna göre yeniden planlanır.

Transfer öğrenme nedir, neden daha az veri gerektirir?

Büyük genel veri kümeleriyle eğitilmiş bir modelin öğrendiği kenar, doku ve biçim gibi genel görsel özellikleri koruyup esas olarak son katmanları yeni sınıflara göre yeniden eğitme yöntemidir. Model görmeyi sıfırdan öğrenmediği için sahaya özgü bir parça, kusur ya da davranış görece az etiketli örnekle tanıtılabilir. Veri arttıkça üst katmanlar da ince ayarla sahaya uyarlanır.

Sentetik veri gerçek verinin yerini tutar mı?

Tek başına tutmaz. Sentetik veri, düşme veya yangın başlangıcı gibi doğal olarak az görülen olaylarda örnek sayısını ve çeşitliliği artırmak için kullanılır. Gerçek kameranın gürültüsünü, yansımasını ve lens bozulmasını tam taşımadığı için gerçek saha verisiyle karıştırılır. Katkısı ve modelin başarısı yalnız gerçek saha görüntülerinden oluşan bir test kümesinde ölçülür.

Özel model için yeni kamera almak gerekir mi?

Güvenlik ve operasyon senaryolarının çoğunda gerekmez; model mevcut IP/CCTV kameralarla çalışır ve kamera uygunluğu kurulum öncesinde ücretsiz değerlendirilir. Hedef kadrajda yeterli piksel kaplamıyorsa ya da yüzey kusuru gibi ince ayrıntı aranıyorsa durum değişir; bu projelerde fizibilite aşamasında özel kamera veya aydınlatma tasarımı kapsama alınabilir.

Eğitimde kullanılan görüntülerimiz tesis dışına çıkar mı?

Varsayılan kurulumda görüntü tesis içindeki edge sunucuda işlenir ve ham video buluta gönderilmez; istenirse işleme bulutta da yapılabilir. Etiketleme için hangi görüntülerin kullanılacağı ve nasıl aktarılacağı proje başında müşteri onayıyla belirlenir. Yüz tanıma kullanılmaz. 6698 sayılı KVKK kapsamında aydınlatma metni model eğitimini de kapsamalı, saklama süresi ve erişim yetkileri yazılı olmalıdır.

Model devreye alındıktan sonra doğruluk düşerse ne olur?

Sahada işaretlenen yanlış tespitler eğitim havuzuna döner ve model periyodik olarak yeniden eğitilir. Yeni sürüm, eski sürümle aynı gerçek test kümesinde karşılaştırılır ve ancak daha iyi sonuç verirse devreye alınır. Sahaya yeni ürün, yeni raf düzeni veya farklı bir kamera eklendiğinde bu döngü modelin uyum sağlamasını sağlar; her güncellemeden sonra doğruluk raporu paylaşılır.